pyrhon视频教程栏目介绍多线程是否真的比单线程快。
事实上，Python 多线程另一个很重要的话题叫，GIL（Global Interpreter Lock，即全局解释器锁）。
多线程不一定比单线程快
在Python中，可以通过多进程、多线程和多协程来实现多任务。难道多线程就一定比单线程快？
下面我用一段代码证明我自己得观点。
'''
@Author： Runsen
@微信公众号： Python之王
@博客： https://blog.csdn.net/weixin_44510615
@Date： 2020/6/4
'''import threading, timedef my_counter():
i = 0
for _ in range(100000000):
i = i+1
return Truedef main1():
start_time = time.time() for tid in range(2):
t = threading.Thread(target=my_counter)
t.start()
t.join() # 第一次循环的时候join方法引起主线程阻塞，但第二个线程并没有启动，所以两个线程是顺序执行的
print("单线程顺序执行total_time: {}".format(time.time() - start_time))def main2():
thread_ary = {}
start_time = time.time() for tid in range(2):
t = threading.Thread(target=my_counter)
t.start()
thread_ary[tid] = t for i in range(2):
thread_ary[i].join() # 两个线程均已启动，所以两个线程是并发的
print("多线程执行total_time: {}".format(time.time() - start_time))if __name__ == "__main__":
main1()
main2()复制代码运行结果
单线程顺序执行total_time: 17.754502773284912多线程执行total_time: 20.01178550720215复制代码
我怕你说我乱得出来得结果，我还是截个图看清楚点
这时，我怀疑：我的机器出问题了吗？其实不是这样，本质上来说Python 的线程失效了，没有起到并行计算的作用。
Python 的线程，的确封装了底层的操作系统线程，在 Linux 系统里是 Pthread（全称为 POSIX Thread），而在 Windows 系统里是 Windows Thread。另外，Python 的线程，也完全受操作系统管理，比如协调何时执行、管理内存资源、管理中断等等。
GIL不是Python的特性
GIL 的概念用简单的一句话来解释，就是任一时刻，无论线程多少，单一 CPython 解释器只能执行一条字节码。这个定义需要注意的点：
首先需要明确的一点是GIL并不是Python的特性，它是在实现Python解析器(CPython)时所引入的一个概念。
C++是一套语言（语法）标准，但是可以用不同的编译器来编译成可执行代码。有名的编译器例如GCC，INTEL C++，Visual C++等。
Python也一样，同样一段代码可以通过CPython，PyPy，Psyco等不同的Python执行环境来执行。
其他 Python 解释器不一定有 GIL。例如 Jython (JVM) 和 IronPython (CLR) 没有 GIL，而 CPython，PyPy 有 GIL；
因为CPython是大部分环境下默认的Python执行环境。所以在很多人的概念里CPython就是Python，也就想当然的把GIL归结为Python语言的缺陷。所以这里要先明确一点：GIL并不是Python的特性，Python完全可以不依赖于GIL
GIL本质就是一把互斥锁
GIL本质就是一把互斥锁，既然是互斥锁，所有互斥锁的本质都一样，都是将并发运行变成串行，以此来控制同一时间内共享数据只能被一个任务所修改，进而保证数据安全。
可以肯定的一点是：保护不同的数据的安全，就应该加不同的锁。
GIL 的工作原理：比如下面这张图，就是一个 GIL 在 Python 程序的工作示例。其中，Thread 1、2、3 轮流执行，每一个线程在开始执行时，都会锁住 GIL，以阻止别的线程执行；同样的，每一个线程执行完一段后，会释放 GIL，以允许别的线程开始利用资源。
计算密集型
计算密集型任务的特点是要进行大量的计算，消耗CPU资源。
我们先来看一个简单的计算密集型示例：
'''
@Author： Runsen
@微信公众号： Python之王
@博客： https://blog.csdn.net/weixin_44510615
@Date： 2020/6/4
'''import time
COUNT = 50_000_000def count_down():
global COUNT while COUNT > 0:
COUNT -= 1s = time.perf_counter()
count_down()
c = time.perf_counter() - s
print('time taken in seconds - >:', c)
time taken in seconds - >: 9.2957003复制代码这个是单线程， 时间是9s， 下面我们用两个线程看看结果又如何：
'''
@Author： Runsen
@微信公众号： Python之王
@博客： https://blog.csdn.net/weixin_44510615
@Date： 2020/6/4
'''import timefrom threading import Thread
COUNT = 50_000_000def count_down():
global COUNT while COUNT > 0:
COUNT -= 1s = time.perf_counter()
t1 = Thread(target=count_down)
t2 = Thread(target=count_down)
t1.start()
t2.start()
t1.join()
t2.join()
c = time.perf_counter() - s
print('time taken in seconds - >:', c)
time taken in seconds - >: 17.110625复制代码我们程序主要的操作就是在计算， CPU没有等待， 而改为多线程后， 增加了线程后， 在线程之间频繁的切换，增大了时间开销， 时间当然会增加了。
还有一种类型是IO密集型，涉及到网络、磁盘IO的任务都是IO密集型任务，这类任务的特点是CPU消耗很少，任务的大部分时间都在等待IO操作完成（因为IO的速度远远低于CPU和内存的速度）。对于IO密集型任务，任务越多，CPU效率越高，但也有一个限度。常见的大部分任务都是IO密集型任务，比如Web应用。
总结：对于io密集型工作（Python爬虫），多线程可以大幅提高代码效率。对CPU计算密集型（Python数据分析，机器学习，深度学习），多线程的效率可能比单线程还略低。所以，数据领域没有多线程提高效率之说，只有将CPU提升到GPU，TPU来提升计算能力。
相关免费学习推荐：python视频教程
